■赵　仡，杨　哲

时空视域下科技创新资金的差异化配置效率研究

■赵仡，杨哲

科技创新要成为经济增长引擎必须获得相应的资金支持。本文利用DEA方法测度了2000～2013年间我国27个省份科技创新活动的资金配置效率，在剔除规模报酬因素后，对造成纯技术效率时空差异的影响因素进行分析，结果表明，政府扶持、直接融资及间接融资等结构性资金投入会显著影响资金配置效率，并据此提出了相应的对策建议。

科技创新；配置效率；数据包络分析；时空差异

赵仡（1991-），山东烟台人，天津财经大学2014级金融学专业硕士研究生，研究方向为投融资理论与实践；杨哲（1990-），河北唐山人，天津财经大学2014级金融学专业博士研究生，研究方向为投融资理论与实践。（天津300222）

一、引言

社会发展历程和经济增长理论表明：科技创新是经济增长的主要源泉。在我国经济增速放缓的局势下，实现增长的动力机制迫切需要从要素驱动、投资驱动向创新驱动转变，这种理念已被提升到国家战略的层面，而在这一过程中，如果缺乏相应的资金支持，科技创新则变为无源之水、无本之木，难以实现从创意到创新的“惊险跳跃”。科技创新活动所需的资金既来自于政府财政支出，也来自于金融市场融资，数据显示，2013年我国R&D经费投入强度①R&D经费投入强度即R&D经费投入与GDP之比。首次超过2%，在数量上达到万亿水平，成为超越日本、仅次于美国的R&D经费投入大国，此后呈现持续上升态势，2015年该数据再创新高。在巨额的资金投入面前，不禁要拷问，现阶段资金配置效率处于何种水平，亦即其对科技进步的实际作用效果如何，这对优化结构性资金投入、丰富科技创新产出具有实践指导意义。

二、相关文献综述

熊彼特（1912）从经济学角度对创新概念和创新理论进行了系统论述，而对科技创新资金在创新过程中配置效率方面的研究，直到近年才有学者开始关注。余泳泽（2011）利用随机前沿分析（SFA）方法测度了金融资本和劳动资本双要素配置下的创新效率，并利用空间计量模型考察了多种要素对各主体创新效率的影响。徐玉莲等（2012）利用Bootstrap方法，构建统计推断的临界值，测度了科技金融资源配置体系中各项投入对技术创新的不同影响，发现其中银行科技信贷对技术创新的贡献并不显著。吴佐等（2013）以2001～2010年我国33个工业行业的面板数据为样本建立变系数回归模型，检验了政府研发资金投入在产业创新中的配置效率，发现不同行业在创新机会上的差异是导致金融资源配置效率差异的影响因素之一。俞立平（2015）基于面板数据分析了不同性质的科研经费投入对科技创新的差异化贡献，研究表明，政府和企业科技投入对创新产出的贡献显著，而科技贷款的贡献则不然。

数据包络分析（DEA）作为一种较为成熟的效率分析方法，已被部分学者用于测度科技创新资金的配置效率。孟卫东等（2013）在DEA方法的基础上，用受限因变量模型（Tobit）进行回归分析，发现我国的科技人力资源和财力资源在配置中存在着浪费现象。熊广勤等（2014）以具有代表性的科技产业上市公司为样本，采用DEA-Malmquist方法评价了其在科技创新活动中的资金筹集效率和资金配置效率，并通过构建面板数据回归模型分析其影响因素，结果表明资金筹集和配置效率总体上呈现下降趋势。黄海霞等（2015）利用DEA方法对战略性新兴产业的科技资源配置效率进行了定量分析，结果表明，配置效率整体水平有所提高，但尚未实现最优，不同产业间及同一产业内部都存在较大差异。

通过梳理文献发现，现有研究或是以某一年度特定产业或地区的科技创新活动为样本，或是以某一产业或地区的时间序列数据为对象，鲜有文献关注资金配置效率在省际区域间所表现出的动态差异，对该问题的研究尚有较大的拓展空间。基于此，本文收集整理2000～2013年我国27个省（市、自治区）科技创新活动的投入产出数据，利用较为成熟的DEA方法对资金配置效率进行研究，试图找寻效率在时间和空间维度上存在的差异，并通过构建回归模型，阐释资金投入结构对剔除规模报酬因素后的纯技术效率所产生的异质影响，并据此提出相应的发展建议，以期能为提升区域创新能力、实现经济内涵式增长提供参考借鉴。

三、理论分析

（一）动态演进视角下的科技创新过程

本文将一个发明从无到有再蜕变为创新的动态演进过程解构为技术研发、成果转化和市场推广三个阶段。其中技术研发阶段是指一项发明从设计开发到形成可行技术方案的过程，这里的研发主体一般指高等院校、研究院所和企业中的研发部门等；成果转化阶段是指这项技术得以实施，并转化为产品的过程，该过程的实施主体一般为掌握技术的企业或有制造能力的研究院所；市场推广阶段是指该产品被发现具备市场前景，在生产线上得以量化生产，并在实际销售中证明其自身市场价值的过程。三个阶段在独立运行和相互衔接的过程中，任何一个环节出现问题，都会使整个过程出现停滞，甚至归于终结。在特殊情况下，某些突破性发明即使只完成了技术研发阶段也会产生显著的外部性，为科技进步做出贡献；还有一些因技术原因停滞的阶段性科研成果，很有可能在未来基础科学进步时重新进行自我价值发现。因此本文在研究科技创新资金的配置效率时，分别选择了不同阶段的代表性产出指标，以期使效率测度值更趋近于现实情况。

（二）结构配置视角下的科技创新资金

本文将科技创新资金按来源细分为政府资金、直接融资资金、间接融资资金，这三类资金自身的特点决定了其在科技创新活动中具有差异化的配置效率。其中，政府资金有明显的政策引导和风险分担作用，直接融资资金具有风险偏好属性，对于成果难以预料的科技创新活动，直接融资资金比间接融资资金有更为强烈的投资意愿，并且直接融资的获得更加容易，使用更加灵活，但正因为这个特点，也更容易造成配置效率降低。而间接融资资金具有风险规避属性，对于资金偿还没有保障的科技创新活动来说，间接融资资金的获取更为困难，使用约束也较大，但这个特点使其不易被浪费。基于上述分析，本文以科技创新资金的结构性来源为切入点，研究在资金配置效率不同的地区中，各类资金结构贡献因子①本文中，资金的结构贡献因子是指增加该类资金比重对资金使用效率的贡献。的差异化特点，以期得出优化科技创新资金结构、促进低效地区向高效地区转变的路径。

四、研究设计

为了明确研究环境，本文假设三类资金在投入科技创新活动时会即时供给于有需要的或约定好的项目，首先保证现有科研进程和可预见成果的完成，而不会为可能进行的下一阶段预留资金，并且显然只能有序地投入每一阶段。在进行比较分析时引入资金结构这一因素，研究其对科技创新资金配置效率的影响。

（一）资金配置的效率测度

本文使用较为成熟的数据包络分析法（DEA）进行资金配置的效率测度，其在应用中具有两大优势：一是每项投入和产出的权重是由规划式本身计算得出的，具有客观性；二是投入和产出的选取不受量纲影响，在样本比较时使用的数据具有灵活性。根据实际情况，本文选取Banker et al.于1984年提出的BCC模型，测度剔除规模报酬（SE）影响的纯技术效率（PTE），旨在消除金融支持以外的因素影响，以PTE值衡量各地区的资金配置效率。另外，DEA模型的规划式分为投入导向和产出导向两种，由于本文研究的是在当前科技创新成果产出量不变的情况下，能否通过优化资金投入的来源结构，使其更有效地支持科技创新活动，所以采用投入导向的BCC模型，其规划式为：

其中θ为每个决策单元的相对效率值；λ为待估权重，由模型本身计算得出；x与y分别为每个省市的投入和产出；角标i、r和j分别表示第m种投入、第q种产出和第n个地区，k表示当前测度的地区。

本文在这一步骤将每一年的融资总额作为投入项，计算方式为各省市当年在科技创新活动中投入的政府资金、直接融资资金、间接融资资金之和。这不仅更贴近现实情况，而且避免了使用分量指标易致计算结果高估的情况。产出项为各省市当年的专利申请授权量、技术市场成交额和新产品收入占主营业务收入比重，分别作为代表性指标对应技术研发、成果转化和市场推广三个阶段的成果。即在模型中，m=1，q=3，n=27，这符合Cooper et al.（2007）提出的n≥max｛mq，3（m+q）｝条件。同时，考虑到科技创新是一项周期较长的活动，当期的金融支持通常不能在当期就产出成果，根据郑玉航、李正辉（2015）的实证分析，本文将产出时滞设定为1，即2012年的资金投入，其相应的科技创新成果会在2013年得以产出。

（二）资金结构的贡献因子

本文将DEA模型得出的纯技术效率值PTE作为被解释变量，三类资金中政府资金当年比重GF、直接融资额当年比重DF、间接融资额当年比重IF作为解释变量，构建面板回归模型。面板模型种类繁多，此处将基本模型设定为：

PTEit=β1GFit+β2DFit+β3IFit+μit

由于当没有科技创新资金时，其配置效率也不复存在，所以模型中不存在常数项，即设定自发的资金配置效率为0。模型中，i代表每个样本中地区的个数，t代表年度。需要特别说明的是，由于在测度资金配置效率时采用了时滞，即资金投入的年度比科技创新产出的年度滞后一期，此处t的数值与资金投入的年度相同。

五、实证结果及分析

本文选取我国27个省份2000～2013年的数据进行实证研究，全部数据来自于《中国统计年鉴》和《中国科技统计年鉴》。

（一）测度结果及动态分析

本文利用DEAP 2.1软件，通过投入导向的BCC模型完成对科技创新资金配置效率的测度。为了防止社会经济规模的影响因素出现较大变化，本文先剔除时间变量，以每个截面的有效前沿分别作为当期的标杆（benchmark），测算各省市的科技创新资金配置效率，结果如表1所示。

表1　2000～2013年各地区的纯技术效率值

为了描述横向对比得出的效率值在时间轴上的动态变化，本文采用各期排名近似代替各年度资金配置效率的高低，并从左至右将各地区的排名均值由高到低进行排序，以统计分析的方式展示其14年排名标准差的变化，以衡量其排名的稳定性，如图1所示：

图1　各地区效率值排名的标准差

由图中可以看出，排名均值处于高低两端位置的地区其波动率通常较小，而排名均值居中的地区波动率则通常较大，本文将初次筛选的标准差阈值设定为全部标准差的中位数4.128，据此将排名均值稳定在两端的地区分为“资金配置效率高”和“资金配置效率低”两个对比组。为了使两组地区的选择更具科学性，本文还通过K-Mean聚类分析法对各地区每年的效率值及14年效率均值分别进行聚类分析，结合以统计分析为基础的初次筛选结果，得到“高效地区”：北京、上海、浙江、广东、重庆、云南、宁夏；“低效地区”：河北、山西、辽宁、黑龙江、安徽、江西、山东、河南、湖北、陕西。以此为样本研究科技创新资金来源结构对两组地区的差异化影响。

需要指出的是，在“高效地区”样本组中，除了北京、重庆及长三角、珠三角中几个普遍被认为科技创新资金配置效率较高的省市以外，还出现了云南和宁夏这两个直觉认为效率不高的地区，并且由标准差分析来看，它们的排名波动还处于较为稳定的范围。通过进一步观察“高效地区”样本组的DEA分析结果，我们发现北京、上海、浙江、广东、重庆五个省市在14年中均处于非规模报酬递增（NIRS）状态，而云南和宁夏各年度则均为非规模报酬递减（NDRS）①非规模报酬递增（Non-Increasing Returns to Scale）即处于规模报酬递减（Decreasing Returns to Scale）或规模报酬不变（ConstantReturns to Scale）状态，非规模报酬递减（Non-Decreasing Returns to Scale）则与之相反。。也就是说，云南、宁夏虽然在纯技术效率上达到了高效，但从规模报酬状态来看还处于成长期，而不是像其他五个地区一样已经趋于成熟，这与现实情况也是相符的。

但从整体来看，“低效地区”样本组在14年中平均有12年处于NDRS状态，而上述两个样本组以外的中游地区则平均有8.8年处于NDRS状态，呈现出资金配置效率越低，NDRS年度越多的规律。这种情况下，云南和宁夏在“高效地区”样本组中就有可能属于异常样本。鉴于此，在研究科技创新资金的结构贡献因子时，本文会同时使用原始高效地区样本，以及剔除云南、宁夏两个地区的高效地区样本分别研究，以保证实证结果的稳健性。

（二）资金结构贡献率实证结果

在资金结构贡献因子分析阶段，本文首先使用LLC、IPS、ADF-Fisher、PP-Fisher方法对各组相关数据进行了单位根检验，结果均表明不存在单位根。然后根据前文设定的面板模型，对原始高效地区样本、稳健性检验样本、低效地区样本分别进行实证分析。由于这三组数据的自变量和因变量均为比率数据，在使用固定效应或随机效应进行面板回归时，残差的相关矩阵均为奇异矩阵，无法进行估计。故本文在使用混合面板模型的基础上使用时期加权估计方法，并对系数标准差进行怀特截面加权稳健估计，消除残差的个体异方差和同期相关性。

所得到的三组实证结果如表2所示。

表2　资金结构贡献率实证结果

资料来源：Eviews8软件测算。

将表2中前两组面板模型的系数进行对比可以看出，原始高效地区样本和稳健性检验样本的各类资金结构贡献因子影响效力相似、影响方向相同，说明该实证结果具有稳健性，可以对原始高效地区样本和低效地区样本进行对比，分析各自资金的差异化配置对其资金配置效率的影响。

在高效地区样本中，系数由高到低依次为IF、GF、DF，即间接融资资金的结构贡献率最大，而直接融资资金的结构贡献率最小。这说明高效地区适当增加一些间接融资资金比重，并同时减少一些直接融资资金比重，将使其资金配置效率得到一定程度的提高。本文认为出现这个结果的主要原因在于，高效地区拥有相对较高的科技发展水平，这需要通过提高约束力较强的间接融资资金比重来提高科技创新资金的配置效率；而约束力较弱的直接融资资金会被优先配置于探索性实验中，如果其比重较大，必然会造成一定的浪费。

在低效地区样本中，系数由高到低依次为GF、DF、IF，其中政府资金的结构贡献率最大，而间接融资资金的结构贡献率最小。这说明在低效地区中，政府资金的引导作用在其地区科技创新活动中至关重要；而直接融资资金和间接融资资金结构贡献率都较小，且其中直接融资资金的系数相对较大，本文认为，由于这些地区的科技发展水平相对较低，同时高端经济要素又被相邻高效地区的虹吸作用吸引，社会资金对其进行投资的意愿愈发降低，而其中直接融资资金特有的风险偏好属性使其对低效地区的结构贡献率优于间接融资资金。

六、主要结论及政策建议

（一）主要结论

本文利用数据包络分析法的BCC模型及KMean聚类分析法，通过观察各地区科技创新资金配置效率和规模报酬特点的时空动态变化，得出具有对比意义的两个地区样本。其中，高效地区样本里除了普遍获得认同的北京及东部沿海部分地区外，重庆、云南、宁夏在中西部地区的效率优势值得关注和利用。而在低效地区样本中，绝大多数是高效地区周边的中东部省份，而科技水平普遍不高的西部地区并未出现在其中，本文认为这一定程度上是由于高效地区的虹吸效应所致。

通过面板模型将其科技创新资金的结构性影响因素两相对比发现，高效地区和低效地区的科技创新资金结构贡献大不相同，在高效地区中结构贡献系数最高的为间接融资资金，最低的则是直接融资资金；在低效地区中结构贡献系数最高的为政府资金，最低的则是间接融资资金，这不仅对两个样本组各自的资金配置效率优化有参考价值，还对低效地区向高效地区进行逐步转变具有路径规划意义。

（二）政策建议

1.形成以高效地区为中心的协同发展

高效地区对其周边的虹吸效应显而易见，这会促使后者的人、财、物乃至高端信息向前者流动，造成低效地区普遍出现在高效地区周边的现象。为了防止经济要素被高效地区过度吸引，本文建议各个地方政府尤其是低效地区的政府应当通过积极组织科技研讨、科技培训等活动来利用高效地区的辐射效应，加强自身与高效地区的相互往来，在互动交流中发现机遇、抓住机遇，最终实现协同发展。

2.低效地区向高效地区转型的路径规划

由本文的实证结果可以看出，低效地区的地方政府需发挥自身的引导作用，充分利用政府信用及各类政策优惠，吸引具有风险偏好属性的直接融资资金投入本地的科技创新活动之中，使本地科技水平提升获得更加有力的支持；待地区科技水平发展到一定程度、投资风险可以得到一定控制后，再逐步引进具有风险规避属性的间接融资资金，进一步充实科技创新活动资本。

［1］SchumpeterJ.Thetheoryof economics development［M］.Cambridge： HarvardUniversity Press，1912.

［2］余泳泽.创新要素集聚、政府支持与科技创新效率——基于省域数据的空间面板计量分析［J］.经济评论，2011，（2）：93～101.

［3］徐玉莲，王宏起.科技金融对技术创新的支持作用：基于Bootstrap方法的实证分析［J］.科技进步与对策，2012，29（3）：1～4.

［4］吴佐，张娜，王文.政府R&D投入对产业创新绩效的影响——来自中国工业的经验证据［J］.中国科技论坛，2013，（12）：31～37.

［5］俞立平.金融支持、政府与企业投入对科技创新的贡献研究［J］.科研管理，2015，36（3）.

［6］孟卫东，王清.区域创新体系科技资源配置效率影响因素实证分析［J］.统计与决策，2013，（4）：96～99.

［7］熊广勤，郑旸.科技产业上市公司金融支持效率及其影响因素研究［J］.科技管理研究，2014，（14）：106～112.

［8］黄海霞，张治河.基于DEA模型的我国战略性新兴产业科技资源配置效率研究［J］.中国软科学，2015，（1）：150～159.

［9］郑玉航，李正辉.中国金融服务科技创新的有效性研究［J］.中国软科学，2015，（7）：127～136.

［10］朱南，谭德彬.我国财务公司资金使用效率、动态变化及影响因素研究——基于DEA方法的实证分析［J］.金融研究，2015，（1）：177～192.

［11］Cooper W.W.，Tone K.，Seiford L.M..Data Envelopment Analysis：A Comprehensive Text with Models，Applications，References and DEA-Solver Software［J］.Journal of theOperational Research Society，2007，14（90）：145～156.

F124.6

A

1006-169X（2016）08-0037-06

国家社会科学基金一般项目“市场决定背景下金融资源错配的微观基础及治理机制研究”，项目编号：15BJL028；中国滨海金融协同创新中心资助项目“滨海新区科技金融创新研究”，项目编号：BJZX010103；天津财经大学研究生科研资助计划“金融支持科技型企业成长的效率评价与路径优化”，项目编号：2014TCB01。